在Django的Heroku上使用Tesseract

debugcn 发表于 Dev

埃里克

我想向在Heroku上运行的Django应用程序添加OCR功能。我怀疑最简单的方法是使用Tesseract。我注意到Tesseract的API有很多python包装器，但是在Heroku上安装并运行Tesseract的最佳方法是什么？通过诸如heroku-buildpack-tesseract之类的自定义buildpack ？

埃里克

我将尝试捕获有关到达此处的解决方案的一些注释。

我的.buildpacks档案：

https://github.com/heroku/heroku-buildpack-python
https://github.com/clearideas/heroku-buildpack-ghostscript
https://github.com/marcolinux/heroku-buildpack-libraries

我的.buildpacks_bin_download档案：

tesseract-ocr https://s3.amazonaws.com/tesseract-ocr/heroku/tesseract-ocr-3.02.02.tar.gz 3.02 eng,spa

这是对pdf文件进行OCR处理的python的关键部分：

        # Additional processing
        document_path = Path(str(document.attachment_file))

        if document_path.ext == '.pdf':
            working_path = Path('temp', document.directory)
            working_path.mkdir(parents=True)

            input_path = Path(working_path, name)
            input_path.write_file(document.attachment_file.read(), 'w')

            rb = ReadBot()

            args = [
                'VBEZ',
                # '-sDEVICE=tiffg4',
                '-sDEVICE=pnggray',
                '-dNOPAUSE',
                '-r600x600',
                '-sOutputFile=' + str(working_path) + '/page-%00d.png',
                str(input_path)
            ]

            ghostscript.Ghostscript(*args)
            image_paths = working_path.listdir(pattern='*.png')
            txt = ''

            for image_path in image_paths:
                ocrtext = rb.interpret(str(image_path))
                txt = txt + ocrtext

            document.notes = txt
            document.save()
            working_path.rmtree()

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。